Masa Depan AI: Tren yang Perlu Anda Ketahui

Ketika ChatGPT diluncurkan pada November 2022 dan menarik seratus juta pengguna hanya dalam dua bulan, saya jujur menganggapnya sebagai chatbot yang terlalu dibesar-besarkan. Penilaian itu ternyata keliru. Kini, saya (dan hampir semua rekan kerja saya) mengandalkan alat bantu coding berbasis AI setiap hari, dan perdebatan lama dari 2023 tentang apakah bot bisa menulis email yang layak terasa sangat ketinggalan zaman. Jadi, seperti apa masa depan AI?

Industri telah melampaui pertanyaan awal itu ke skala yang sama sekali berbeda. Anthropic baru-baru ini melampaui pendapatan berulang sebesar $7 miliar, dan raksasa teknologi menggelontorkan dana ke pusat data pada tingkat yang lima tahun lalu akan terasa absurd. Akibatnya, pertanyaan penting kini bukan lagi apakah AI bekerja, melainkan apa yang terjadi ketika ia berhenti menunggu prompt dan mulai memutuskan langkah berikutnya sendiri.

Artikel ini membahas ke mana arah teknologi. Saya akan meninjau agentic AI, perdebatan panas tentang lini masa AGI, dan bangkitnya model kecil yang dapat dijalankan secara lokal. Kita juga akan melihat pergeseran ketenagakerjaan, alat bantu coding, aplikasi kesehatan, dan situasi regulasi. Mari mulai!

Jika Anda belum familiar dengan beberapa konsep AI, saya rekomendasikan AI Fundamentals skill track kami, yang mencakup semua dasar yang perlu Anda ketahui.

Dari Generatif ke Agentic AI

Model chatbot tanya-jawab bergantian mulai bergeser ke pendekatan yang lebih otonom. Bagian ini membahas seperti apa pergeseran itu dalam praktik, di mana tantangan implementasi nyata berada, dan mengapa sebagian besar organisasi masih kesulitan membawa agen ke produksi.

Bangkitnya agen otonom

Selama beberapa tahun terakhir, alat AI mengikuti ritme yang bisa ditebak. Anda memberi prompt, ia menjawab. Manusia yang mengemudi, AI hanya menemani. Dinamika itu berubah: sistem Agentic AI tidak hanya menjawab pertanyaan; mereka menyusun rencana untuk mencapai tujuan.

Misalnya Anda ingin memesan perjalanan ke Barcelona pada Desember. Alih-alih menghasilkan daftar hotel untuk Anda telusuri, seorang agen akan:

• Mencari opsi
• Menyaring berdasarkan preferensi Anda
• Membandingkan harga dengan anggaran Anda
• Memeriksa kalender Anda untuk potensi bentrok
• Melakukan pemesanan

Anda jelaskan hasil yang diinginkan—sistem menangani langkah-langkah untuk membawa Anda ke sana.

Selera korporasi untuk ini sangat besar. Deloitte memprediksi 75% perusahaan akan berinvestasi dalam agentic AI pada akhir 2026. Namun, kenyataan saat ini tertinggal dari visi. Survei UiPath pertengahan 2025 menemukan bahwa meski minat tinggi, hanya 30% penerapan agen yang benar-benar sampai ke produksi.

Menjembatani kesenjangan dengan MCP

Mengapa ada kesenjangan? Mayoritas karena integrasi. Ketika peneliti menanyakan kepada perusahaan apa penghambatnya, 46% menunjuk pada menghubungkan agen AI dengan sistem yang sudah ada. Menulis agen yang bisa membuat draf kode adalah satu tantangan. Membuatnya bekerja andal dengan CRM Anda, platform penanganan tiket, API internal, tanpa merusak atau menimbulkan masalah baru, adalah tantangan yang sama sekali berbeda.

Untuk mengatasi masalah ini, industri berkumpul pada standar terbuka seperti Model Context Protocol (MCP) dari Anthropic dan spesifikasi AGENTS.md dari OpenAI, yang keduanya bertujuan pada pengelolaan netral untuk infrastruktur terbuka dan telah berkontribusi pada Agentic AI Foundation.

Secara khusus, MCP meraih banyak traksi. Anggap saja sebagai "USB-C untuk AI"—konektor standar yang memungkinkan agen berbicara dengan berbagai alat dan platform dengan mudah. Beberapa contohnya, ia menawarkan integrasi dengan Claude, Cursor, Microsoft Copilot, VSCode, Gemini, dan ChatGPT.

Jika Anda ingin melampaui sekadar demo, lihat kursus kami tentang Agentic AI untuk konsep dan Designing Agentic Systems with LangChain untuk penerapan langsung. 

Apakah Artificial General Intelligence (AGI) sudah dekat?

Lini masa menuju Artificial General Intelligence (AGI), sistem AI yang mampu melakukan tugas setara manusia lintas domain, sepenuhnya tergantung pada siapa yang Anda tanya.

CEO dari laboratorium AI besar bersikap agresif: Dario Amodei dari Anthropic menyebut 2026–2027 untuk sistem yang menyaingi peraih Nobel lintas bidang ("sebuah negara para jenius dalam satu pusat data"). Demikian pula, Sam Altman dan Demis Hassabis menunjuk 3–5 tahun ke depan.

Perlu dicatat bahwa perusahaan-perusahaan ini bergantung pada antusiasme investor untuk mendanai riset yang mahal, jadi lini masa yang optimistis punya tujuan strategis.

Para skeptis menawarkan pandangan yang lebih dingin. Gary Marcus menyebut beberapa bulan terakhir "menghancurkan" bagi optimisme AGI, dan mantan peneliti OpenAI Andrej Karpathy menempatkan AGI setidaknya satu dekade lagi. Survei luas pada 2023 terhadap peneliti menetapkan median tanggal kedatangan bahkan lebih jauh, yakni 2047.

Pada akhirnya, HAI Stanford menawarkan kerangka paling berguna: kita bergerak dari "evangelisme ke evaluasi." Pertanyaan terpenting bukan kapan AGI tiba, melainkan seberapa baik sistem saat ini menangani tugas spesifik hari ini vs. di mana mereka masih memerlukan pengawasan manusia.

Teknologi AI yang Muncul di Luar LLM

Tidak semua hal menarik dalam AI berkaitan dengan membuat model semakin besar. Model yang lebih kecil, komputasi kuantum, dan digital twin membentuk ulang apa yang mungkin terjadi di tepi bidang ini.

Small Language Models (SML) dan edge AI

Saat semua orang membicarakan model yang makin besar, investasi signifikan justru mengalir ke model yang lebih kecil. Gartner memprediksi bahwa organisasi akan menerapkan Small Language Models (SML), model spesifik tugas, tiga kali lebih cepat dibanding model besar serbaguna pada 2027.

Alasannya bersifat praktis:

1. Biaya: Menjalankan model raksasa itu mahal. OpenAI kabarnya menghabiskan hampir dua kali pendapatannya untuk inference pada awal 2025. SLM memangkas biaya ini secara drastis.
2. Privasi: Model on-device menjaga data tetap lokal, sebuah keharusan di kesehatan dan keuangan. Akibatnya, pasar SLM diproyeksikan tumbuh dari $930 juta pada 2025 menjadi $5,45 miliar pada 2032.
3. Kecepatan: Inference lokal menghilangkan latensi jaringan. Untuk kontrol kualitas manufaktur atau deteksi penipuan di perbankan, hitungan milidetik itu penting. Cloud tidak selalu bisa memenuhi itu.

Peneliti NVIDIA berargumen lompatan berikutnya dalam AI bukan ukuran, melainkan spesialisasi. Karena tugas seperti parsing email atau kueri SQL tidak memerlukan pengetahuan ensiklopedis, arsitektur masa depan tampak seperti armada model: banyak model khusus yang bekerja bersama alih-alih satu generalis besar.

Google, Mistral, Microsoft, dan Alibaba semuanya mendorong keras di sini. Google AI Edge mendukung lebih dari selusin model, termasuk Gemma 3n, model multimodal on-device pertama mereka.

Membandingkan pendekatan SLM dan LLM

Tabel berikut membandingkan kedua pendekatan tersebut. Untuk ulasan lebih mendalam, baca artikel kami tentang SLM vs LLM.

Model besar tidak menjadi tidak relevan. Masalah kompleks masih diuntungkan oleh kekuatan mereka. Masa depan kemungkinan melibatkan keduanya, dengan pertanyaan menarik tentang kapan harus menggunakan masing-masing.

Konvergensi komputasi kuantum dan AI

Komputasi kuantum telah "lima tahun lagi" selama beberapa dekade, tetapi sesuatu bergeser pada akhir 2025, dan ini patut diperhatikan.

Google menunjukkan percepatan 13.000x dibanding superkomputer Frontier menggunakan 65 qubit untuk simulasi fisika. IBM menargetkan keunggulan kuantum pada 2026, dan peneliti mulai menggunakan jaringan saraf untuk memprediksi dan mengoreksi error qubit secara real-time.

Bidang ini bergerak dari janji teoretis menjadi masalah rekayasa.

Istilah yang menguat adalah "quantum utility." Bukan tentang keunggulan kuantum penuh untuk semua masalah, tetapi sistem kuantum yang menyelesaikan masalah tertentu lebih cepat atau lebih murah daripada alternatif klasik. Masalah yang disasar sarat matematika, melibatkan begitu banyak variabel hingga komputer klasik kewalahan:

• Optimasi kimia baterai
• Penyaringan senyawa obat
• Pemodelan risiko portofolio

Peneliti JPMorgan Chase baru-baru ini mencapai tonggak dengan algoritma streaming kuantum yang memproses dataset besar dengan keunggulan ruang eksponensial. Itu bukan siaran pers. Itu karya telaah sejawat dengan hasil terukur.

Meski begitu, rentang prediksi di sini luas. 

Manifold Markets, yang melacak lebih dari 100 prakiraan terkait kuantum, menunjukkan skeptisisme luas bahwa komputer kuantum akan mengungguli sistem klasik dalam kriptografi atau simulasi biologis kompleks pada 2026. Kebanyakan pengamat mengharapkan kemajuan rekayasa bertahap, bukan keunggulan kuantum terobosan.

Namun pasar yang sama menunjukkan keyakinan kuat bahwa komputer kuantum tahan gangguan yang berguna akan hadir dalam satu dekade.

Apa arti praktisnya? 

Secara praktis, komputer kuantum yang berdiri sendiri adalah mitos. Standar industri kini adalah “heterogeneous compute”: arsitektur hibrida di mana prosesor kuantum berada di dalam pusat performa tinggi berdampingan dengan klaster GPU, dengan sistem AI yang mengelola alur kerja.

Bagi data scientist di sektor R&D, ini menciptakan kebutuhan keterampilan baru. API cloud kuantum dari IBM, Google, Amazon Braket, dan Microsoft Azure Quantum memungkinkan Anda menjalankan subrutin kuantum tanpa memiliki perangkat keras. Kurva belajarnya tidak sepele, tetapi lebih mudah diakses dibanding membangun lab kuantum sendiri.

Pergeseran fokusnya halus namun penting. Sementara ilmu data klasik terobsesi pada "big data," komputasi kuantum peduli pada "optimasi kompleks." Ia menangani masalah dengan ledakan kombinatorial, seperti pemodelan molekuler, logistik, atau risiko keuangan dengan ribuan faktor berkorelasi. Untuk bidang-bidang ini, alat kuantum bergerak dari teoretis menjadi relevan.

Digital twin dan simulasi

Digital twin bergerak dari kata kunci menjadi infrastruktur yang berfungsi. Gagasannya sederhana: bangun replika virtual hidup dari sistem fisik (lini pabrik, jaringan gudang, jaringan listrik, distrik kota) dan jaga sinkronisasi dengan yang nyata melalui sensor, log, dan data operasional. Lalu gunakan twin tersebut untuk uji tekan keputusan sebelum menyentuh realitas.

Pabrik adalah contoh awal yang paling bersih. Pabrik modern sudah menghasilkan data yang dibutuhkan twin: sinyal PLC, telemetri mesin, riwayat pemeliharaan, work order, pengukuran kualitas, pergerakan inventaris. AI mengubah banjir itu menjadi model yang bisa Anda kueri. Bukan sekadar dasbor, melainkan kontrafaktual. Anda bisa menjawab pertanyaan seperti:

• Bagaimana jika mesin stamping mati selama enam jam pada Selasa pagi?
• Bagaimana jika kita ganti pemasok B dengan C untuk komponen ini, dengan profil cacat yang sedikit berbeda?
• Bagaimana jika kita ubah jadwal shift sehingga operator berpengalaman terkonsentrasi di dua stasiun terakhir?

Nilainya bukan pada memprediksi gangguan. Nilainya adalah menelusuri dampak hilir—jendela yang terlewat, celah inventaris, biaya pengalihan—sehingga Anda dapat menghitung solusi sebelumnya alih-alih berimprovisasi pukul 3 dini hari.

Perubahan yang memungkinkan adalah AI mengurangi biaya membangun dan memelihara model ini. Model ML modern mempelajari perilaku langsung dari data live, mendeteksi drift, dan menjaga twin tetap selaras seiring sistem nyata berubah. 

Model kecil yang khusus juga cocok di sini: satu model untuk deteksi anomali pada turbin, lainnya untuk optimasi jadwal, lainnya lagi untuk peramalan permintaan, semuanya memberi masukan pada lingkungan simulasi yang sama.

Jika Anda ingin peta yang lebih tajam tentang apa berikutnya, pertimbangkan membaca 9 Open-Source LLMs untuk 2026 untuk menjalankan dan fine-tune model tanpa vendor dan 13 Konferensi AI Teratas untuk 2026, tempat diskusi implementasi nyata akan berlangsung.

Masa Depan AI dalam Dunia Kerja

Headline tentang AI yang mengambil alih pekerjaan kerap melewatkan nuansa dalam data sebenarnya. Gambaran yang muncul dari riset lebih berantakan, bertahap, dan mungkin kurang dramatis dibanding yang disarankan para optimis maupun pesimis.

Apakah AI akan menggantikan pekerjaan?

Angka-angka membutuhkan nuansa lebih daripada yang biasanya disajikan headline.

World Economic Forum mensurvei lebih dari 1.000 pemberi kerja terkemuka untuk Laporan Future of Jobs 2025. Mereka memproyeksikan 170 juta peran baru tercipta dan 92 juta tergantikan antara 2025 dan 2030, menghasilkan kenaikan bersih 78 juta pekerjaan.

Meski ini positif secara bersih, distribusinya sangat penting. Dalam studi yang diterbitkan November 2025, peneliti MIT dan Boston University memperkirakan AI akan menggantikan sekitar dua juta pekerja manufaktur pada 2026.

Pembedaan yang patut dibuat adalah antara tugas dan peran. AI cenderung mengotomatiskan aktivitas spesifik dalam pekerjaan lebih sering ketimbang menghapus seluruh posisi sekaligus. Akuntan Anda tidak akan ke mana-mana, tetapi jam yang dihabiskan untuk entri data dan rekonsiliasi menyusut.

Riset MIT pada 2025 memperkirakan bahwa tugas yang saat ini dapat diotomatisasi mencakup sekitar 11,7% aktivitas tenaga kerja AS, yang setara sekitar $1,2 triliun upah. Itu tidak berarti 11,7% pekerja kehilangan pekerjaan, tetapi berarti sebagian besar dari apa yang mereka lakukan kini bisa berjalan sebagai perangkat lunak.

Pekerjaan yang menghadapi lebih banyak tekanan meliputi:

• Layanan pelanggan, terutama dukungan berbasis teks
• Entri dan pemrosesan data
• Pekerjaan administratif dengan pola yang dapat diprediksi
• Beberapa posisi kasir ritel
• Riset hukum rutin dan tugas paralegal

Pekerjaan dengan fitur berikut akan menghadapi tekanan lebih kecil:

• Mengelola orang
• Penilaian khusus
• Situasi ambigu
• Kehadiran fisik di lingkungan yang tak terduga

Pola-pola ini berlaku di kesehatan, pekerjaan terampil, karya kreatif, dan pengambilan keputusan strategis, antara lain.

Jalur karier yang muncul

Kategori pekerjaan baru bermunculan, beberapa di antaranya bahkan tidak ada lima tahun lalu:

• AI Systems Architect mencakup perancangan bagaimana komponen AI cocok di dalam organisasi. Anda perlu menggabungkan pemahaman teknis dan pengetahuan proses bisnis.
• Prompt Engineer menjadi jabatan nyata, meski kini berevolusi menuju apa yang disebut spesialis kolaborasi AI. Memahami cara bekerja efektif dengan sistem ini, bukan sekadar menulis masukan yang cerdas.
• AI Ethics and Compliance Manager mencakup persyaratan regulasi dan audit. Organisasi membutuhkan orang yang memahami kapabilitas teknis sekaligus lanskap hukum untuk meminimalkan risiko terkait sistem AI.
• AI Trainer and Data Curator menangani loop umpan balik, anotasi kasus tepi, dan kontrol kualitas data pelatihan.

Pola yang saya temukan adalah keahlian domain yang dipadukan dengan kefasihan AI menciptakan nilai. Perawat yang memahami alat diagnosis AI menghasilkan hasil yang lebih baik daripada yang menghindarinya. Pengacara yang menggunakan AI untuk riset sambil mengetahui batasannya bekerja lebih cepat tanpa kehilangan kualitas.

Survei pemberi kerja secara konsisten menempatkan pemikiran analitis sebagai keterampilan paling dicari. Tujuh dari sepuluh perusahaan menyebutnya esensial. Ketahanan, adaptabilitas, dan kepemimpinan menyusul.

Perubahan Spesifik Industri

Beberapa bidang mengadopsi alat AI lebih cepat daripada yang lain, dan hasilnya lebih bervariasi dari yang Anda perkirakan. Coding, kesehatan, dan keuangan masing-masing menceritakan kisah berbeda tentang apa yang berhasil, apa yang tidak, dan di mana kejutan muncul.

Coding dan data science

Pengembangan perangkat lunak mengadopsi alat AI lebih cepat daripada kebanyakan bidang. Alatnya terus berevolusi.

Menurut survei Stack Overflow 2025, sekitar 85% developer menggunakan alat AI secara rutin pada akhir 2025. GitHub melaporkan 41% kode yang dibuat oleh pengguna Copilot secara global melibatkan bantuan AI. Kita sudah melewati tahap autocompletion: Sistem saat ini memahami seluruh repositori dan melakukan perubahan lintas banyak file.

Pemimpin pasar mulai muncul: GitHub Copilot memegang sekitar 42% pangsa pasar, dengan lebih dari 20 juta pengguna dan hadir di 90% perusahaan Fortune 100. Cursor muncul dari nol menjadi 18% pangsa pasar dalam delapan belas bulan. Mereka kabarnya meraih $500 juta pendapatan berulang.

 Alat AI unggul pada jenis pekerjaan coding tertentu: 

• Boilerplate, pola berulang
• Mengeksplorasi API yang belum dikenal
• Mengurai kode legacy

Namun, kesenjangan antara persepsi dan realitas penting. 

Dalam studi METR Juli 2025, developer berpengalaman menggunakan alat seperti Cursor Pro dan Claude 3.5 Sonnet. Mereka menyelesaikan tugas 19% lebih lambat daripada tanpa bantuan AI—namun mereka mengira bekerja 20% lebih cepat. 

Intinya, peningkatan produktivitas bergantung pada konteks. Alat AI bisa memperlambat Anda ketika jenis pekerjaan tidak cocok dengan kekuatannya dan Anda memahami sistem lebih baik daripada AI.

Saat ini arahnya menuju kemampuan yang lebih otonom. Project Padawan dari GitHub mewakili model di mana developer menugaskan isu ke sistem AI, AI mengimplementasikan, dan manusia meninjau. Pergeseran dari AI menyarankan kode menjadi AI menyelesaikan fitur.

Untuk data science, harapkan lebih sedikit waktu untuk persiapan dan lebih banyak untuk interpretasi. AI bisa mengambil alih penanganan kueri SQL dan pembersihan data. Ini memberi data scientist manusia waktu untuk fokus pada pertanyaan yang tepat dan memahami makna hasil.

Kesehatan

AI di layanan kesehatan berada di wilayah yang rumit. Potensinya nyata, namun penerapannya hati-hati—yang mungkin tepat mengingat taruhannya.

Penemuan obat yang didukung AI kian cepat. AlphaFold dan alat serupa memprediksi struktur protein dalam hitungan jam, bukan tahun. Penyaringan senyawa terjadi pada skala yang sebelumnya tidak praktis. Beberapa estimasi menyebut AI dapat memampatkan lini masa pengembangan obat empat atau lima tahun per obat.

Diagnostik juga meningkat di area tertentu, dengan radiologi, patologi, dan oftalmologi paling maju. AI yang dilatih pada citra medis dapat menemukan pola yang luput dari peninjau manusia. 

Menurut McKinsey, Mayo Clinic memperluas staf radiologinya lebih dari 50% sejak 2016 sambil menerapkan ratusan model AI. Kombinasi itu penting: AI meningkatkan pekerjaan, bukan menggantikan orangnya.

Namun, kehati-hatian masuk akal. Keputusan kesehatan membawa konsekuensi yang tidak dimiliki rekomendasi media sosial: Diagnosis yang salah bisa membahayakan pasien. Tuntutan ilmiah dan medis untuk memahami bagaimana model mencapai kesimpulan, bukan hanya apakah akurat, menciptakan batasan nyata.

Dalam waktu dekat, realitasnya adalah AI sebagai asisten diagnostik. Sistem dapat menandai potensi masalah, menyarankan tes, dan menangkap hal-hal yang mungkin terlewat di lingkungan sibuk. Namun pada akhirnya, dokter yang membuat keputusan akhir dan menjaga hubungan dengan pasien.

Pemantauan jarak jauh semakin cepat seiring small language models berpindah langsung ke perangkat wearable. Dengan memproses data secara lokal di perangkat, sistem ini meminimalkan latensi dan memastikan privasi, menggunakan AI untuk hanya menandai anomali spesifik bagi tinjauan manusia.

Keuangan

Jasa keuangan adalah pengadopsi awal AI, setelah menguasai deteksi penipuan berkecepatan tinggi bertahun-tahun lalu, tetapi kapabilitas agentic mendorong sektor ini ke wilayah baru. 

Sementara alat mapan menangani penipuan dan pertanyaan layanan pelanggan rutin, frontier aktif kini adalah hiper-personalisasi. Sistem baru dapat menganalisis toleransi risiko dan tujuan finansial individu untuk menawarkan strategi manajemen kekayaan canggih kepada populasi yang jauh lebih luas. 

Namun, kemajuan ini disertai peringatan: regulator semakin meneliti model-model ini untuk memastikan bias historis dalam data pinjaman tidak direproduksi oleh algoritme.

Tantangan dan Regulasi AI

Keterbatasan teknis dan celah kebijakan menciptakan batasan nyata pada apa yang dapat dilakukan AI secara bertanggung jawab. Masalah kotak hitam, misinformasi yang dihasilkan, dan lanskap regulasi yang terfragmentasi membentuk apa yang benar-benar dapat diterapkan versus yang teoretis.

Isu teknis dan sosial

Masalah kotak hitam belum terselesaikan. Ketika model membuat keputusan, memahami alasannya tetap sulit. Itu bermasalah ketika keputusan memengaruhi pinjaman, pekerjaan, dan perawatan medis.

Riset berfokus pada interpretabilitas. Fakultas HAI Stanford memperkirakan perhatian meningkat pada apa yang mereka sebut "arkeologi neural net berkinerja tinggi" pada 2026. Teknik seperti sparse autoencoder membantu mengidentifikasi fitur pelatihan mana yang benar-benar mendorong perilaku.

Konten yang dihasilkan menciptakan masalah lanjutan: Deepfake dan misinformasi yang diproduksi AI semakin sulit dideteksi dari hari ke hari. Beberapa estimasi menyebut artikel yang dihasilkan AI di internet mungkin sudah melampaui konten tulisan manusia dari sisi volume.

Model collapse bisa menjadi konsekuensi dan menjadi isu lain yang mengkhawatirkan peneliti. Jika model semakin banyak dilatih pada konten buatan AI, yang merupakan porsi tumbuh dari data yang tersedia, kualitas bisa menurun. Model mengonsumsi keluarannya sendiri dengan cara yang memperparah kesalahan.

Lanskap regulasi

Setiap yurisdiksi mengambil pendekatan berbeda.

EU AI Act adalah buku aturan AI paling luas yang saat ini berlaku. Undang-undang ini dibangun di atas tangga risiko: makin tinggi risikonya, makin berat kewajibannya. Sistem yang digunakan dalam keputusan ketenagakerjaan dan kredit berada di kategori “berisiko tinggi”, yang berarti persyaratan lebih ketat terkait dokumentasi, kontrol, dan pengawasan. 

Regulasi ini mulai berlaku pada 1 Agustus 2024, tetapi sebagian besar kewajiban hadir secara bertahap dalam tahun-tahun berikutnya.

Energi muncul dalam cara yang lebih sempit dan praktis: penyedia model AI tujuan umum mungkin perlu mendokumentasikan penggunaan energi (atau memberikan estimasi yang diturunkan dari komputasi ketika pengukuran tepat tidak layak). Terpisah dari AI Act, pelaporan pusat data dan efisiensi energi UE makin ketat, yang penting karena beban kerja AI menjadi pendorong besar baru permintaan listrik. 

Dalam praktik, ini mendorong tim menuju arsitektur "cukup baik" yang memprioritaskan efisiensi daripada kekuatan mentah. Dengan menggunakan model lebih kecil dan menjalankan inference di edge, developer dapat memproses lebih sedikit token melalui sistem cloud yang mahal, pada akhirnya mengurangi biaya komputasi, konsumsi daya, dan transfer data.

Di AS, situasinya jauh dari tuntas. Legislasi federal masih buntu, dan dengan gagalnya upaya 2025 untuk menimpa aturan level negara bagian, lingkungan regulasi terpecah. Akibatnya, pembangun sepanjang 2026 menghadapi target yang bergerak berupa kepatuhan per negara bagian alih-alih kerangka federal terpadu.

Mempersiapkan Masa Depan AI

Apa yang benar-benar membantu agar tetap relevan secara profesional? Untuk bersiap, saya sarankan mempelajari konsep terkait AI, mengembangkan keterampilan teknis, dan mendapatkan pengalaman langsung.

Literasi data dan AI

Literasi data tidak lagi opsional. Anda tidak perlu menjadi data scientist, tetapi Anda perlu memahami bagaimana data bergerak, apa yang membuatnya andal, dan bagaimana menafsirkan keluaran model.

Jika Anda membutuhkan fondasi terstruktur, Data Literacy Professional skill track mencakup semua hal esensial dan menawarkan sertifikasi untuk menunjukkan apa yang telah Anda pelajari. Untuk pengantar teoretis yang lebih berorientasi AI, saya rekomendasikan mendaftar pada AI Fundamentals skill track.

Keterampilan teknis

Keterampilan teknis dasar tetap menjadi pembeda. Alat AI membuat coding lebih mudah diakses, tetapi Anda tetap perlu memahami logikanya untuk memverifikasi keluaran. Python dan SQL adalah “kendaraan harian” di sini.

Pendekatan yang solid adalah mempelajari bahasanya terlebih dahulu, baru lapisan AI. Mulailah dengan Introduction to Python untuk memahami sintaks. Lanjutkan dengan Generative AI Concepts untuk memahami bagaimana asisten modern berperilaku—dan di mana mereka gagal.

Keahlian domain dan agen

Perubahan terbesar adalah dari chatbot ke agen. Sekadar membuat prompt menjadi komoditas. Merancang alur kerja yang terintegrasi dengan sistem dunia nyata adalah tempat nilai diciptakan.

Keahlian domain tetap bernilai. Menguasai alat AI, dipadukan dengan pengetahuan bidang yang dalam, menghasilkan lebih banyak daripada salah satunya saja. Cara tercepat untuk mewujudkan kombinasi itu adalah memilih satu alur kerja domain dan mempelajari bagaimana agen akan terpasang di dalamnya.

Untuk memahami arsitektur ini, daftar pada AI Agent Fundamentals skill track kami untuk kerangka berpikirnya. Setelah Anda menuntaskan bagian teoretis, ikuti Designing Agentic Systems with LangChain untuk mendapatkan pengalaman langsung membangun sistem yang berfungsi dari ujung ke ujung. Melihat di mana agen-agen ini gagal sama berharganya dengan melihat mereka bekerja.

Mengelola ketidakpastian

Terakhir, biasakan diri dengan ketidakpastian. Keluaran model AI bersifat probabilistik, jadi kadang salah. Memahami mode kegagalan sangat penting bagi siapa pun yang membangun alat untuk pelanggan. Anda harus familier dengan konsep seperti model collapse (bagaimana data sintetis menurunkan kualitas model) dan mekanisme di balik deepfake.

Untuk mengikuti laju industri alih-alih siklus hype, ikuti para praktisi. Daftar 13 Konferensi AI Teratas untuk 2026 adalah tempat yang baik untuk menemukan di mana para insinyur saling berbagi catatan tentang apa yang benar-benar bekerja di produksi.

Kesimpulan

Fakultas Stanford baru-baru ini menggambarkan momen saat ini sebagai pergeseran dari "evangelisme ke evaluasi." Kerangka itu menangkap realitas dengan tepat. Kita bergerak melewati pertanyaan apakah AI penting menuju detail rinci tentang di mana AI membantu dan bagaimana menerapkannya secara bertanggung jawab.

Meskipun lini masa AGI masih spekulatif dan lanskap regulasi berubah, arah praktisnya jelas: Agentic AI akan masuk ke alur kerja perusahaan, dan model kecil akan menangani tugas rutin. Tema berulangnya adalah augmentasi, bukan penggantian. Masa depan yang paling menarik bukan ketika AI melakukan segalanya, melainkan ketika manusia merancang sistem yang memperkuat keahlian mereka sendiri.

Strategi terbaik saat ini sederhana: Gunakan alatnya, pertahankan skeptisisme sehat terhadap hype maupun kiamat, dan anggap belajar sebagai proses berkelanjutan. Perubahan terjadi terlepas dari kesiapan Anda, jadi lebih baik duduk di kursi pengemudi!